Araştırma Makalesi
BibTex RIS Kaynak Göster
Yıl 2023, Cilt: 8 Sayı: 1, 54 - 66, 16.06.2023
https://doi.org/10.29228/ERISS.30

Öz

Kaynakça

  • Aka, H., Aktuğ, Z.B., Kılıç, F. (2020). Türkiye Süper Lig Sezon Sonu Takım Sıralamasının Geliştirilen Yapay Sinir Ağları Modeli ile Tahmin Edilmesi. Spor ve Performans Araştırmaları Dergisi, 11(3), 258-268.
  • Akpınar, Ö. (2018). Sigorta Sektöründe Veri Madenciliği ve Kullanım Alanları. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi 57, 103-119.
  • Ayyıldız, E. (2018). Amerikan Basketbol Ligi (NBA) Maç Sonuçlarının Yapay Sinir Ağları ile Tahmini. Gaziantep Üniversitesi Spor Bilimleri Dergisi, 3(1) 40-53.
  • Baykal, A. (2006). Veri Madenciliği Uygulama Alanları. D.Ü. Ziya Gökalp Eğitim Fakültesi Dergisi 7, 95-107.
  • Cortsen, K., & Rascher, D. A. (2018). The application of sports technology and sports data for commercial purposes. The use of technology in sport: Emerging challenges, 47-84.
  • Değer, Ö., Süel, E., (2022). Gerçek Judo Müsabaka Sonuçlarının Yapay Sinir Ağları Yöntemi Yolu ile Karşılaştırılması. Spor Eğitim Dergisi, 6(2) 88-98.
  • FIP, (t.y). Https://www.federvolley.it/
  • Hassan, A., Schrapf, N., Tilp, M. (2017). The Prediction of Action Positions in Team Handball by Non-Linear Hybrid Neural Networks. International Journal of Performance Analysis in Sport, 17(293-302).
  • Li, Q. Y. (2018). Appliance of Apriori Algorithm on Technical-Tactics Analysis of Volleyball. In 2018 International Conference on Virtual Reality and Intelligent Systems (164-167).
  • Marcelino, R., Mesquita, I. ve Afonso, J. (2008). The Weight of Terminal Actions in Volleyball. Contributions of the Spike, Serve and Block for the Teams Rankings in the World League, 8(2), 1-7.
  • Millington, B., Millington, R. (2015). The datafication of everything. Toward a sociology of sport and big data Sociology of Sport Journal 32(140-160).
  • Murathan,T., Devecioğlu, S. (2018). Veri madenciliği ve spor alanındaki uygulamaları. Hacettepe Journal of Sport Science, 29(147-156).
  • Ohgi, Y., Kaneda, K., Takakura, A. (2014). Sensor Data Mining on the Kinematical Characteristics of the Competitive Swimming. Procedia Engineering, 72(829-834).
  • Özekes, S. (2003). Veri Madenciliği Modelleri ve Uygulama Alanları. İstanbul Ticaret Üniversitesi Dergisi, 2(3), 65-82.
  • Palao, J.M., Manzanares, P. ve Ortega, E. (2009). Techniques Used and Efficacy of Volleyball Skills in Relation the Gender. International Journal of Performance Analysis in Sport, 9(2), 281-293.
  • Schumaker, R. P., Solieman, O. K., & Chen, H. (2010). Sports data mining: The field. In Sports Data Mining 26(1- 13).
  • Sevindik, T., Kayışlı, K., Ünlükahraman, O. (2012). Web Tabanlı Eğitimde Veri Madenciliği. Turkish Journal of Computer and Mathematics Education 3(3), 183-193. TVF, (t.y). Https://tvf-web.dataproject.com/
  • Zhong, N. ve Zhou, L., (1999). Methodologies for Knowledge Discovery and Data Mining. Third Pacific-Asia Conference, 26-28.

Türkiye ve İtalya Voleybol Süper Ligleri 2013-2020 İstatistik Verilerinin Veri Madenciliği Yöntemleriyle Analizi

Yıl 2023, Cilt: 8 Sayı: 1, 54 - 66, 16.06.2023
https://doi.org/10.29228/ERISS.30

Öz

Amaç: Araştırmada 2013-2020 yılları arasında Türkiye ve İtalya’da oynanan erkek ve kadın voleybol süper lig maçlarının veri madenciliği yöntemleri ve yapay sinir ağları modelleriyle maç sonu tahminleri ve maç sonucuna etki eden değişkenlerin yüzdelerinin hesaplanması amaçlanmıştır.
Gereç ve Yöntem: Bu araştırma korelasyonel tarama araştırmasıdır. 1144 tanesi Türkiye erkek, 1142 tanesi Türkiye kadın, 1122 tanesi İtalya erkek, 1066 tanesi İtalya kadın olmak üzere toplamda 4474 müsabaka veri madenciliği programı olan Matlab’da bulunan “Statistics and Machine Learning Toolbox”, “Neural Network Pattern Recognition Toolbox” araç paketleri ve “Classification Learner” uygulamasından yararlanılarak analiz edilmiştir. Sınıflama yöntemleri, tüm maçlar için, cinsiyete ve ülkelere göre farklı uygulanmış ve “20 fold cross validation” tekniği ile her bir maça kendi içerisinde etki eden 10 farklı değişken ile sınıflama doğrulukları belirlenmiştir.
Bulgular: Araştırma sonucunda kullanılan teknikler ile maç sonuçlarını doğru tahmin edebilme oranının ortalama %90 olduğu saptanmıştır. Müsabaka sonucuna en çok etki eden değişkenlerin deplasman takımlarının oyun içi varyasyonları olduğu görülmüştür.
Sonuç: Elde edilen bulgulara göre; veri madenciliği programları ile yapay sinir ağı modellemesiyle yapılan müsabaka sonucu doğru tahmin oranlarının %90’a yakın olduğu görülmüştür. Erkek maçlarına baktığımızda maç sonucuna en çok etki eden değişkenler deplasman takımlarının blokları, hücumları ile servis sayıları olduğu görülmektedir. Kadın maçlarına baktığımızda ise maçların sonucuna etki eden en önemli iki faktör sırasıyla deplasman takım hücumları ve deplasman takım servis sayıları olduğu görülmektedir.

Kaynakça

  • Aka, H., Aktuğ, Z.B., Kılıç, F. (2020). Türkiye Süper Lig Sezon Sonu Takım Sıralamasının Geliştirilen Yapay Sinir Ağları Modeli ile Tahmin Edilmesi. Spor ve Performans Araştırmaları Dergisi, 11(3), 258-268.
  • Akpınar, Ö. (2018). Sigorta Sektöründe Veri Madenciliği ve Kullanım Alanları. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi 57, 103-119.
  • Ayyıldız, E. (2018). Amerikan Basketbol Ligi (NBA) Maç Sonuçlarının Yapay Sinir Ağları ile Tahmini. Gaziantep Üniversitesi Spor Bilimleri Dergisi, 3(1) 40-53.
  • Baykal, A. (2006). Veri Madenciliği Uygulama Alanları. D.Ü. Ziya Gökalp Eğitim Fakültesi Dergisi 7, 95-107.
  • Cortsen, K., & Rascher, D. A. (2018). The application of sports technology and sports data for commercial purposes. The use of technology in sport: Emerging challenges, 47-84.
  • Değer, Ö., Süel, E., (2022). Gerçek Judo Müsabaka Sonuçlarının Yapay Sinir Ağları Yöntemi Yolu ile Karşılaştırılması. Spor Eğitim Dergisi, 6(2) 88-98.
  • FIP, (t.y). Https://www.federvolley.it/
  • Hassan, A., Schrapf, N., Tilp, M. (2017). The Prediction of Action Positions in Team Handball by Non-Linear Hybrid Neural Networks. International Journal of Performance Analysis in Sport, 17(293-302).
  • Li, Q. Y. (2018). Appliance of Apriori Algorithm on Technical-Tactics Analysis of Volleyball. In 2018 International Conference on Virtual Reality and Intelligent Systems (164-167).
  • Marcelino, R., Mesquita, I. ve Afonso, J. (2008). The Weight of Terminal Actions in Volleyball. Contributions of the Spike, Serve and Block for the Teams Rankings in the World League, 8(2), 1-7.
  • Millington, B., Millington, R. (2015). The datafication of everything. Toward a sociology of sport and big data Sociology of Sport Journal 32(140-160).
  • Murathan,T., Devecioğlu, S. (2018). Veri madenciliği ve spor alanındaki uygulamaları. Hacettepe Journal of Sport Science, 29(147-156).
  • Ohgi, Y., Kaneda, K., Takakura, A. (2014). Sensor Data Mining on the Kinematical Characteristics of the Competitive Swimming. Procedia Engineering, 72(829-834).
  • Özekes, S. (2003). Veri Madenciliği Modelleri ve Uygulama Alanları. İstanbul Ticaret Üniversitesi Dergisi, 2(3), 65-82.
  • Palao, J.M., Manzanares, P. ve Ortega, E. (2009). Techniques Used and Efficacy of Volleyball Skills in Relation the Gender. International Journal of Performance Analysis in Sport, 9(2), 281-293.
  • Schumaker, R. P., Solieman, O. K., & Chen, H. (2010). Sports data mining: The field. In Sports Data Mining 26(1- 13).
  • Sevindik, T., Kayışlı, K., Ünlükahraman, O. (2012). Web Tabanlı Eğitimde Veri Madenciliği. Turkish Journal of Computer and Mathematics Education 3(3), 183-193. TVF, (t.y). Https://tvf-web.dataproject.com/
  • Zhong, N. ve Zhou, L., (1999). Methodologies for Knowledge Discovery and Data Mining. Third Pacific-Asia Conference, 26-28.
Toplam 18 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Spor Hekimliği
Bölüm 2023 Haziran
Yazarlar

Emre Komar 0000-0002-6037-5344

Erol Egrıoglu 0000-0003-4301-4149

Kıvanç Semiz 0000-0003-3051-4814

Yayımlanma Tarihi 16 Haziran 2023
Yayımlandığı Sayı Yıl 2023 Cilt: 8 Sayı: 1

Kaynak Göster

APA Komar, E., Egrıoglu, E., & Semiz, K. (2023). Türkiye ve İtalya Voleybol Süper Ligleri 2013-2020 İstatistik Verilerinin Veri Madenciliği Yöntemleriyle Analizi. Eurasian Research in Sport Science, 8(1), 54-66. https://doi.org/10.29228/ERISS.30